Discovery Sagaサイレントキーワード俯瞰

デブラー / DCT / GAN / CNN / 深層学習 / 画像処理 / ディフェンシング / 画像復元 / 信号処理

近年、深層学習の研究が急速に発展し様々な分野で用いられ、従来の古典的なアプローチでは到底到達できないような画期的な成果が得られている。本研究課題では、信号処理と深層学習の融合による高速高精度画像復元技術の開発を行うことを目的とする。画像復元とは、ノイズ等の様々な劣化要因により汚れた画像から、元の画像を復元することである。
2021年度は、DCTを用いて高速高精度なデブラー技術の開発を行なった。さらに学習の際大きな動きボケを含むカスタマイズしたデータセットを用いて学習をおこなった。近年、マルチスケールやマルチパッチに基づいたGANベースのCNNが提案されてきたが、大幅な処理時間を必要とした。そこでこれらのマルチスケール、マルチパッチ処理を用いることなく、テクスチャを保存しつつリンギングアーチファクトを低減させるDeblurDCTGANを提案した。ロス関数としてDCTによる周波数領域ロスを定義することにより、ブロックノイズを減らしつつ、高精度なデブラー復元が可能となった。さらに複数のデータベースからボケ関数を推定し、大きなボケを腹部画像を集めてカスタマイズしたデータセットを用意し、提案法で学習することにより、従来法と同等以上の復元精度が得られた。実際に撮影したボケ画像に対しても高精度な復元が可能になったことを確認した。提案法の処理速度は従来法の1/10以下であり、高速高精度なデブラー技術を確立した。

FPGA / Radio Telescope / Digital Signal / Spectrometer / FFT / RNS / Deep Learning / CNN / 電波天文 / 分光器 / 深層学習 / 信号処理 / 計算機システム / 再構成可能LSI / Signal Processing / DSP

分光器の演算順序を入換えたアルゴリズムと剰余数系(Residue Number System: RNS)を適用したFFTを既存設備であるROACH2ボードに実装し, CASPERが公開している既存の分光器と比較して, 50倍の帯域・16384倍の分解能を持つ分光器を実現した. 観測後のデータ分類器をCNN(Convolutional Neural Network)を対象としてハードウェア化した. CNNを低ビット化(Binary)とスパース化(Ternary)し, FPGA実装による実用性を明らかにした.

次世代電波望遠鏡用分光器を現行のROACH2 FPGAボード1台で実現できることができる. 本研究では, 提案回路の応用を電波望遠鏡としているが, ドップラー効果を利用した応用(CTスキャナ, 海洋レーダ, 気象レーダ等)に転用する事が可能となった.
また, 観測後のデータを要（測定対象）／不要に分類するDeep Learningの一種であるConvolutional Neural Network (CNN)のFPGA化に適したハードウェア削減・高速化手法を研究開発できたため, 帯域・実装コストの削減が可能となり, 監視カメラ・自動運転・ロボット・ドローン等へと適用可能となった.